José de la Fuente & Isidro Sobrino Sánchez, The Conversation
Las garrapatas, y los patógenos que éstas transmiten, afectan a la salud pública y la sanidad animal a nivel mundial. El desarrollo de vacunas para el control de estos parásitos es uno de los campos científicos que se pueden beneficiar del uso de la inteligencia artificial.
Durante muchos años, se han empleado acaricidas químicos para el control de garrapatas, pero estos compuestos contaminan el ambiente y los productos animales y resultan en la selección de garrapatas resistentes al tratamiento. Para enfrentar este reto, las vacunas son el método más eficaz y sostenible para la reducción del riesgo de las enfermedades transmitidas. Podemos utilizarla, además, como ejemplo para explicar el papel de la inteligencia artificial en el desarrollo de este tipo de tratamientos preventivos.
Cómo se crea una vacuna
Históricamente, el desarrollo de vacunas ha sido un proceso de prueba y error. Se usaban versiones inactivadas del patógeno y el vector o se probaban extractos de proteínas hasta encontrar una vacuna potencial. Esto requería años de experimentación y muchas veces dependía del azar.
Hoy, gracias a los datos científicos que hemos acumulado (secuencias genéticas, estructuras de proteínas y respuestas inmunológicas), pueden diseñarse antes de probarlas en el laboratorio, ahorrando tiempo y dinero, mientras aumenta la posibilidad de diseñar soluciones eficaces.
Foto: Freepik.
¿Cómo elegimos la mejor proteína para que el sistema inmune la reconozca y genere protección con la vacuna? Primero, recopilamos datos: obtenemos todas las proteínas conocidas de la garrapata y cualquier información sobre ellas.
A continuación, para encontrar la proteína candidato más eficaz, nos hacemos varias preguntas: ¿puede generar anticuerpos por sí sola?, ¿es esencial para la supervivencia de la garrapata?, ¿está en una ubicación accesible para los anticuerpos?, ¿se parece a proteínas humanas para evitar reacciones autoinmunes?, ¿es tóxica o produce alergias?
En algunos casos, ya tendremos respuestas gracias a experimentos previos. Pero, como el proteoma (el conjunto de todas las proteínas del organismo completo) de la garrapata tiene miles de proteínas, no podemos analizarlas una por una en el laboratorio. Aquí es donde entra la inteligencia artificial.
Gracias a ella, podemos desarrollar predictores; es decir, modelos que, basándose en las respuestas de las pocas proteínas que hemos probado experimentalmente, son capaces de “predecir” las respuestas para aquellas que no conocemos.
Aprendizaje automático en el laboratorio
Modelos como ChatGPT o Dall-E dan la falsa sensación de que la IA funciona como la mente humana. Sin embargo, se trata de un conjunto de modelos muy concreto, al que llamamos “cajas negras” por ser muy difícil entender cómo funcionan sus procesos de aprendizaje. Afortunadamente, la mayoría de los algoritmos que usamos en ciencia son mucho más intuitivos.
Se trata de modelos de aprendizaje automático, modelos matemáticos que aprenden a reconocer patrones en grandes cantidades de datos. Un ejemplo clásico es el algoritmo del “vecino más cercano” (K-nearest neighbors o K-NN), uno de los primeros modelos de IA. Es uno de los muchos que utilizamos para responder a las anteriores preguntas para decidir si una proteína produce anticuerpos.
Foto: Archivo.
Todo empieza entrenando al modelo con muchas proteínas de las que ya sabemos si son inmunogénicas o no. En este primer paso, le damos también otros datos de las proteínas, como su forma o estructura.
Seguidamente el modelo organiza esas proteínas en un “mapa”, como si fueran las casas de un barrio. Cuando llega una nueva proteína, la coloca en uno u otro “barrio” según sus características. Finalmente, la IA mira qué proteínas tiene cerca y, si la mayoría de sus “vecinos” son inmunogénicos, concluye que probablemente también lo sea.
De esta forma, el programa –en el ejemplo explicado es Vaxijen– no razona si la proteína produce o no anticuerpos, sino que compara datos y saca conclusiones basadas en patrones previos, mientras aporta entrenamiento al sistema para nuevos análisis. Este tipo de modelos han sido clave en la ciencia mucho antes de que ChatGPT llegara a nuestras vidas.
Otra gran herramienta es Alphafold3, un modelo desarrollado por DeepMind, que utilizando redes neuronales es capaz de deducir la estructura 3D de las proteínas.
Otros muchos estudios implican la creación de nuevos modelos de IA relacionados con vacunología cuántica, como los que investigamos en el Instituto de Investigación en Recursos Cinegéticos.
En definitiva, la inteligencia artificial es fundamental en el proceso de diseño de vacunas: nos permitirá acelerar el proceso para decidir cuáles son las mejores proteínas para generar vacunas asequibles, seguras y eficaces para avanzar en el control de las garrapatas y las enfermedades que transmiten.
